Análisis de redes sociales para la predicción del crimen bajo tecnología de computación social y aprendizaje profundo

Área de la Ciencia:

• Computación Social
• Ciencia de Redes
• Aprendizaje Profundo

Sus antecedentes:

• Las redes criminales poseen estructuras complejas y altos niveles de ocultación.
• Identificar figuras clave y predecir comportamientos dentro de estas redes es un desafío.
• La computación social y el aprendizaje profundo ofrecen soluciones potenciales para descubrir dinámicas de red ocultas.

Objetivo del estudio:

• Proponer un modelo novedoso para identificar personas clave en redes criminales.
• Mejorar la predicción de comportamientos criminales y vulnerabilidades de la red.
• Aprovechar las redes neuronales de grafos para el análisis en profundidad de la red.

Principales métodos:

• Desarrollo del Modelo de Identificación de Personas Clave Basado en Asociación de Cuentas (KPI-AA).
• Combinación de la similitud de vecinos locales y las métricas globales de intermediación de aristas.
• Utilización de redes neuronales de grafos (GNN) para la caracterización de nodos y el análisis de redes.

Principales resultados:

• El KPI-AA demostró una dinámica de propagación superior en comparación con los modelos de referencia en redes simuladas.
• El modelo mostró resiliencia en pruebas de robustez de red, manteniendo la conectividad después de la eliminación significativa de nodos.
• Se logró un coeficiente tau de Kendall de 0.467 en el conjunto de datos de Twitter, lo que indica una fuerte consistencia en la clasificación.

Conclusiones:

• El KPI-AA identifica eficazmente a los miembros centrales y predice comportamientos en redes criminales.
• El modelo ofrece ventajas en la velocidad de propagación, la identificación de vulnerabilidades y la consistencia de la clasificación.
• Se demostró la escalabilidad y viabilidad para el despliegue práctico en investigaciones de seguridad social y criminales.